Khóa luận nghiên cứu ứng dụng hai mô hình học máy Random Forest và XGBoost trong dự báo Chỉ số giá tiêu dùng (CPI) tại Việt Nam nhằm nâng cao độ chính xác so với các phương pháp dự báo truyền thống. Dữ liệu nghiên cứu được thu thập theo tần suất tháng trong giai đoạn từ tháng 01/2015 đến tháng 02/2026, bao gồm biến mục tiêu là CPI và các biến kinh tế vĩ mô như chỉ số sản xuất công nghiệp (IIP), giá xăng, tỷ giá USD/VND, lãi suất, giá vàng, kim ngạch xuất khẩu và kim ngạch nhập khẩu. Sau khi thực hiện tiền xử lý dữ liệu, tạo đặc trưng và chia dữ liệu theo chuỗi thời gian, các mô hình được huấn luyện và đánh giá thông qua các chỉ tiêu MAE, RMSE, MAPE và R². Kết quả cho thấy XGBoost đạt hiệu suất dự báo tốt hơn Random Forest, trong khi mô hình Ensemble không mang lại sự cải thiện đáng kể. Nghiên cứu cũng sử dụng Feature Importance và SHAP để giải thích mô hình, qua đó xác định các biến có ảnh hưởng lớn đến CPI và nâng cao tính minh bạch trong dự báo. Kết quả nghiên cứu góp phần cung cấp công cụ hỗ trợ phân tích, dự báo lạm phát và hoạch định chính sách kinh tế vĩ mô tại Việt Nam.

Từ khóa:

Random Forest, XGBoost, Chỉ số giá tiêu dùng (CPI)

Abstract:

This thesis investigates the application of two machine learning models, Random Forest and XGBoost, for forecasting the Consumer Price Index (CPI) in Vietnam with the aim of improving forecasting accuracy compared to traditional approaches. The study employs monthly data collected from January 2015 to February 2026, including CPI as the target variable and several macroeconomic indicators such as the Industrial Production Index (IIP), gasoline prices, the USD/VND exchange rate, interest rates, gold prices, exports, and imports. After data preprocessing, feature engineering, and chronoLogistics và Quản lý chuỗi cung ứngical data splitting, the models were trained and evaluated using MAE, RMSE, MAPE, and R² metrics. The experimental results indicate that XGBoost outperformed Random Forest in forecasting accuracy, while the Ensemble model did not provide significant improvements. Furthermore, Feature Importance and SHAP analyses were applied to enhance model interpretability and identify the key factors influencing CPI fluctuations. The findings demonstrate the potential of machine learning techniques in macroeconomic forecasting and provide practical insights to support inflation analysis and economic policy formulation in Vietnam.

Key word:

Random Forest, XGBoost, Consumer Price Index (CPI) forecasting